Objetivos de Proyecto Final en Procesamiento de Imágenes Biomédicas (ODS–Colombia)

Laboratorio 003: Objetivos de Proyecto Final en Procesamiento de Imágenes Biomédicas (ODS–Colombia)

PSIM

Autor/a

Ph.D. Pablo Eduardo Caicedo Rodríguez

Fecha de publicación

14 de enero de 2026

Propósito: formular 2–3 objetivos SMART para el proyecto final de la asignatura, alineados con ODS 3: Salud y bienestar (y secundarios ODS 9/10/11 si aplica) y con necesidades de salud pública en Colombia.

Restricción metodológica (obligatoria): evitar machine learning general. Únicos algoritmos de decisión permitidos: K‑means, regresión lineal múltiple y regresión logística múltiple. Prohibidos: redes neuronales, SVM, árboles/ensembles, métodos bayesianos avanzados, etc.

Resultados de aprendizaje

Al finalizar, cada equipo:

Conecta un problema clínico-prioritario en Colombia con al menos un objetivo ODS y una meta/indicador verificable.
Redacta 2–3 objetivos SMART (impacto clínico, técnico, implementación) con métricas y umbrales.
Define fuentes de datos (abiertos o locales con cumplimiento ético) y un plan de validación reproducible.
Describe riesgos de sesgo/ética y medidas de mitigación acordes con normativa colombiana de protección de datos.

Opciones de reto (elige uno)

Las siguientes opciones se enfocan en tareas de detección, medición o soporte a decisión usando únicamente K‑means y/o regresión múltiple.

1) Tuberculosis en radiografía de tórax (soporte a triage)

Tarea: puntaje de riesgo por paciente a partir de descriptores de imagen clásicos (textura, intensidades, morfología).
Algoritmos permitidos: segmentación de regiones sospechosas (heurística), K‑means para agrupar patrones de textura, regresión logística múltiple para estimar probabilidad de TB.
Métrica primaria: sensibilidad y especificidad; curva ROC/AUC para el modelo logístico; tiempo de lectura por estudio.

2) Retinopatía diabética (fondo de ojo)

Tarea: detección de lesiones (exudados, microaneurismas) mediante filtros clásicos; conteos y áreas como predictores.
Algoritmos: K‑means sobre espacios de color; regresión logística múltiple para riesgo de RD referible.
Métrica primaria: F1 para lesión referible; exactitud por estratos de calidad de imagen.

3) Ultrasonido obstétrico (biometría cefálica)

Tarea: estimar circunferencia cefálica (HC) con ajuste geométrico; usar regresión lineal múltiple para corregir sesgos por ángulo/ganancia.
Métrica primaria: error absoluto medio (MAE) en mm frente a anotador experto.

4) Lesiones cutáneas (dermatoscopia/imagen macro)

Tarea: segmentación clásica de la lesión; extracción de color/forma/asimetría; regresión logística múltiple para riesgo de malignidad (prototipo educativo, no clínico).
Métrica primaria: AUC; análisis de errores por fototipo.

5) Extracción de signos vitales con cámara web (rPPG) sin ML

Objetivo: estimar frecuencia cardiaca (FC) y frecuencia respiratoria (FR) desde video RGB facial capturado con webcam estándar (≥ 30 fps) sin redes neuronales.
Pipeline sugerido: detección de rostro (clásica), definición de ROI (frente/pómulos), promediado espacial por canal, detrend y banda pasante; cálculo espectral.
Cálculos:
- Señal rPPG por canal: $s_c(t) = \frac{1}{|\Omega|}\sum_{(i,j)\in \Omega} I_c(i,j,t)$.
- Preamplificación cromática tipo POS/CHROM (implementación determinista sin entrenamiento).
- HR (bpm) desde pico espectral: $\mathrm{HR} = 60, f_{\text{peak}}$.
- SNR: $\mathrm{SNR} = 10\log_{10}\left( \frac{P\{\text{señal}}\}{P\{\text{ruido}}\} \right)$.
Algoritmos de decisión permitidos:
- K‑means para estabilidad de ROI (agrupar píxeles por coherencia temporal) o clusterizar condiciones de iluminación.
- Regresión lineal múltiple para corrección de artefactos (p. ej., modelar FC estimada como función de variables de captura: luminancia media, varianza, amplitud de movimiento): $\widehat{\mathrm{FC}} = \beta_0 + \sum_{j=1}^p \beta_j x_j$.
- Regresión logística múltiple para calidad binaria del segmento (válido/no válido) a partir de predictores como SNR, varianza, energía de banda: $\Pr(\text{válido}=1\mid x)=\sigma!\left( \beta_0 + \sum_{j=1}^p \beta_j x_j \right),\ \ \sigma(z)=\frac{1}{1+e^{-z}}$.
Métricas: MAE de FC (bpm), MAE de FR (rpm), proporción de segmentos válidos, latencia.

Recordatorio de ecuaciones (uso en los tres algoritmos permitidos)

K‑means (criterio WCSS): minimizar $J = \sum_{i=1}^k \sum_{x\in C_i} \lVert x - \mu_i \rVert^2$.

Regresión lineal múltiple: $\hat{y} = \beta_0 + \sum_{j=1}^p \beta_j x_j$, con ajuste por mínimos cuadrados: $\min_\beta \lVert y - X\beta \rVert_2^2$.

Regresión logística múltiple: $\Pr(Y=1\mid x) = \sigma!\left( \beta_0 + \sum_{j=1}^p \beta_j x_j \right)$, donde $\sigma(z)=\frac{1}{1+e^{-z}}$.

Plantilla: Lienzo de Objetivos (1 página)

Complete y entregue una página por equipo. En la plantilla del curso

Título del proyecto:
ODS principal (meta/indicador):
ODS secundario (opcional):
Problema en Colombia (fuente breve):
Población objetivo y escenario de uso:
Modalidad de imagen y tarea:
Datos/datasets (licencia y tamaño):
Objetivo SMART 1 (impacto):
Objetivo SMART 2 (técnico):
Objetivo SMART 3 (implementación):
Métrica(s) primaria(s) y umbrales:
Riesgos/sesgos y cumplimiento (privacidad y ética):
Plan de validación:
Hitos/tiempos:

Ejemplos de objetivos SMART (adaptar al caso)

Impacto clínico (ODS 3): “En 10 semanas, demostrar en n=40 participantes que el prototipo de rPPG logra MAE(FC) ≤ 5 bpm frente a pulsioxímetro de referencia, en condiciones de luz ambiental de consultorio.”
Técnico‑algorítmico: “Implementar pipeline determinista de rPPG con banda 0.7–4 Hz para FC y 0.1–0.5 Hz para FR; usar K‑means para seleccionar ROI estable y regresión lineal múltiple para corrección por iluminación; alcanzar proporción de segmentos válidos ≥ 0.9.”
Implementación/uso responsable: “Entregar una app on‑device que procese 60 s de video en ≤ 3 s y exporte solo series temporales y métricas (sin video). Incluir aviso y consentimiento informado.”

Para otras opciones de reto, formule un objetivo análogo con métrica primaria clara (p. ej., AUC ≥ 0.85 para logística múltiple o MAE ≤ umbral en lineal múltiple) y justificativo ODS.

Sugerencias de métricas y validación

Clasificación (logística múltiple): AUC, sensibilidad, especificidad, F1, calibración (revisar curva de confiabilidad).
Regresión (lineal múltiple): MAE, RMSE, $R^2$, análisis de residuos.
Clustering (K‑means): inercia (WCSS), silhouette (solo para diagnóstico; no usar como criterio de decisión clínica).
Validación: partición entrenamiento/validación, estratificación por subgrupos (edad/sexo/calidad de imagen), IC por bootstrap si el tamaño lo permite.

Riesgos y mitigaciones (ética y sesgo)

Privacidad: evitar almacenar datos identificables; anonimizar; limitar finalidades; consentimiento informado cuando aplique.
Sesgo de dominio: evaluar por dispositivo, iluminación, fototipo, institución; reportar desempeño estratificado.
Seguridad: indicar que los prototipos son con fines educativos y no clínicos.

Entregables de la sesión

Lienzo de Objetivos (1 página) completado.
Pitch de 60 s leyendo objetivo principal y métrica clave.
Archivo breve (máx. 1 página) con las ecuaciones que usa su proyecto (de entre las listadas) y la métrica primaria con definición formal.

Rúbrica de evaluación (actividad de hoy)

Puntaje total: 100. Aprobación sugerida: ≥ 70 y sin criterios en nivel Insuficiente.

Criterio	Peso	Excelente (4)	Bueno (3)	Básico (2)	Insuficiente (1)
Alineación con ODS	20	ODS principal correcto y meta/indicador explícito y pertinente	ODS correcto sin indicador concreto	ODS genérico	Sin ODS o incorrecto
Relevancia país/población	15	Contexto Colombia claro (población, nivel de atención, brecha)	Contexto parcial	Contexto vago	Sin contexto
Calidad de objetivos SMART	20	2–3 objetivos con métricas, umbrales y tiempos; separados en impacto/técnico/implementación	Objetivos claros pero incompletos	Faltan métricas o tiempos	Confusos o no medibles
Viabilidad técnica (solo K‑means / reg. múltiple)	15	Elección y justificación rigurosa; ecuaciones y variables definidas	Elección adecuada con ligeras lagunas	Uso dudoso o variables mal definidas	Incumple restricciones o inviable
Ética y cumplimiento	10	Riesgos/sesgos y medidas; privacidad correctamente abordada	Menciona ética sin detalle	Superficial	No aborda
Métricas de éxito	10	Indicadores clínicos/operativos claros y umbrales	Indicadores presentes sin umbrales	Indicadores vagos	No hay
Claridad de la entrega (1 pág + pitch)	10	Síntesis excelente, visual limpio, pitch preciso	Claro con leves omisiones	Denso o poco legible	Incompleto

--- title: "Objetivos de Proyecto Final en Procesamiento de Imágenes Biomédicas (ODS–Colombia)" description: "PSIM" subtitle: "Laboratorio 003: Objetivos de Proyecto Final en Procesamiento de Imágenes Biomédicas (ODS–Colombia)" lang: es author: "Ph.D. Pablo Eduardo Caicedo Rodríguez" date: "`r Sys.Date()`" format: html: code-tools: true code-overflow: wrap code-line-numbers: true code-copy: true fig-align: center self-contained: true theme: - simple - ../../recursos/estilos/metropolis.scss slide-number: true preview-links: auto logo: ../../recursos/imagenes/generales/Escuela_Rosario_logo.png css: ../../recursos/estilos/styles_pres.scss footer: <https://pablocaicedor.github.io/> transition: fade progress: true scrollable: true resources: - demo.pdf --- ```{r} #| echo: false #| eval: true #| output: false #| label: Loading R-Libraries # install.packages(c("DiagrammeR", "reticulate", "kableExtra", "tidyverse", "knitr", "cowplot", "ggfx")) library("DiagrammeR") library("reticulate") library("kableExtra") library("tidyverse") library("knitr") library("cowplot") library("ggfx") knitr::opts_chunk$set(echo = FALSE) def.chunk.hook <- knitr::knit_hooks$get("chunk") knitr::knit_hooks$set(chunk = function(x, options) { x <- def.chunk.hook(x, options) ifelse(options$size != "normalsize", paste0("\n \\", options$size, "\n\n", x, "\n\n \\normalsize"), x) }) ``` ```{python} #| echo: false #| eval: true #| output: false #| label: Loading Python-Libraries import numpy as np import matplotlib.pyplot as plt path_ecg="../../data" #https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#write ``` **Propósito**: formular 2–3 **objetivos SMART** para el proyecto final de la asignatura, alineados con **ODS 3: Salud y bienestar** (y secundarios ODS 9/10/11 si aplica) y con necesidades de salud pública en Colombia. **Restricción metodológica (obligatoria)**: evitar *machine learning* general. **Únicos algoritmos de decisión permitidos**: **K‑means**, **regresión lineal múltiple** y **regresión logística múltiple**. Prohibidos: redes neuronales, SVM, árboles/ensembles, métodos bayesianos avanzados, etc. ## Resultados de aprendizaje Al finalizar, cada equipo: 1. Conecta un problema clínico-prioritario en Colombia con al menos un **objetivo ODS** y una **meta/indicador** verificable. 2. Redacta **2–3 objetivos SMART** (impacto clínico, técnico, implementación) con **métricas y umbrales**. 3. Define fuentes de **datos** (abiertos o locales con cumplimiento ético) y un **plan de validación** reproducible. 4. Describe riesgos de **sesgo/ética** y medidas de mitigación acordes con normativa colombiana de protección de datos. ## Opciones de reto (elige **uno**) Las siguientes opciones se enfocan en tareas de **detección, medición o soporte a decisión** usando únicamente K‑means y/o regresión múltiple. ### 1) Tuberculosis en radiografía de tórax (soporte a triage) * **Tarea**: puntaje de riesgo por paciente a partir de descriptores de imagen clásicos (textura, intensidades, morfología). * **Algoritmos permitidos**: segmentación de regiones sospechosas (heurística), **K‑means** para agrupar patrones de textura, **regresión logística múltiple** para estimar probabilidad de TB. * **Métrica primaria**: sensibilidad y especificidad; curva ROC/AUC para el modelo logístico; tiempo de lectura por estudio. ### 2) Retinopatía diabética (fondo de ojo) * **Tarea**: detección de lesiones (exudados, microaneurismas) mediante filtros clásicos; conteos y áreas como predictores. * **Algoritmos**: **K‑means** sobre espacios de color; **regresión logística múltiple** para riesgo de RD referible. * **Métrica primaria**: F1 para lesión referible; exactitud por estratos de calidad de imagen. ### 3) Ultrasonido obstétrico (biometría cefálica) * **Tarea**: estimar **circunferencia cefálica (HC)** con ajuste geométrico; usar **regresión lineal múltiple** para corregir sesgos por ángulo/ganancia. * **Métrica primaria**: error absoluto medio (MAE) en mm frente a anotador experto. ### 4) Lesiones cutáneas (dermatoscopia/imagen macro) * **Tarea**: segmentación clásica de la lesión; extracción de color/forma/asimetría; **regresión logística múltiple** para riesgo de malignidad (prototipo educativo, no clínico). * **Métrica primaria**: AUC; análisis de errores por fototipo. ### 5) Extracción de signos vitales con cámara web (rPPG) **sin ML** * **Objetivo**: estimar **frecuencia cardiaca (FC)** y **frecuencia respiratoria (FR)** desde video RGB facial capturado con webcam estándar (≥ 30 fps) **sin** redes neuronales. * **Pipeline sugerido**: detección de rostro (clásica), definición de ROI (frente/pómulos), promediado espacial por canal, **detrend** y banda pasante; cálculo espectral. * **Cálculos**: * Señal rPPG por canal: $s_c(t) = \frac{1}{|\Omega|}\sum_{(i,j)\in \Omega} I_c(i,j,t)$. * Preamplificación cromática tipo POS/CHROM (implementación determinista sin entrenamiento). * HR (bpm) desde pico espectral: $\mathrm{HR} = 60, f_{\text{peak}}$. * SNR: $\mathrm{SNR} = 10\log_{10}\left( \frac{P\{\text{señal}}\}{P\{\text{ruido}}\} \right)$. * **Algoritmos de decisión permitidos**: * **K‑means** para **estabilidad de ROI** (agrupar píxeles por coherencia temporal) o clusterizar condiciones de iluminación. * **Regresión lineal múltiple** para **corrección** de artefactos (p. ej., modelar FC estimada como función de variables de captura: luminancia media, varianza, amplitud de movimiento): $\widehat{\mathrm{FC}} = \beta_0 + \sum_{j=1}^p \beta_j x_j$. * **Regresión logística múltiple** para **calidad binaria** del segmento (válido/no válido) a partir de predictores como SNR, varianza, energía de banda: $\Pr(\text{válido}=1\mid x)=\sigma!\left( \beta_0 + \sum_{j=1}^p \beta_j x_j \right),\ \ \sigma(z)=\frac{1}{1+e^{-z}}$. * **Métricas**: MAE de FC (bpm), MAE de FR (rpm), proporción de segmentos válidos, latencia. --- ## Recordatorio de ecuaciones (uso en los tres algoritmos permitidos) **K‑means (criterio WCSS)**: minimizar $J = \sum_{i=1}^k \sum_{x\in C_i} \lVert x - \mu_i \rVert^2$. **Regresión lineal múltiple**: $\hat{y} = \beta_0 + \sum_{j=1}^p \beta_j x_j$, con ajuste por mínimos cuadrados: $\min_\beta \lVert y - X\beta \rVert_2^2$. **Regresión logística múltiple**: $\Pr(Y=1\mid x) = \sigma!\left( \beta_0 + \sum_{j=1}^p \beta_j x_j \right)$, donde $\sigma(z)=\frac{1}{1+e^{-z}}$. --- ## Plantilla: **Lienzo de Objetivos** (1 página) Complete y entregue una página por equipo. En la plantilla del curso * **Título del proyecto:** * **ODS principal (meta/indicador):** * **ODS secundario (opcional):** * **Problema en Colombia (fuente breve):** * **Población objetivo y escenario de uso:** * **Modalidad de imagen y tarea:** * **Datos/datasets (licencia y tamaño):** * **Objetivo SMART 1 (impacto):** * **Objetivo SMART 2 (técnico):** * **Objetivo SMART 3 (implementación):** * **Métrica(s) primaria(s) y umbrales:** * **Riesgos/sesgos y cumplimiento (privacidad y ética):** * **Plan de validación:** * **Hitos/tiempos:** --- ## Ejemplos de **objetivos SMART** (adaptar al caso) * **Impacto clínico (ODS 3)**: “En 10 semanas, demostrar en n=40 participantes que el prototipo de rPPG logra **MAE(FC) ≤ 5** bpm frente a pulsioxímetro de referencia, en condiciones de luz ambiental de consultorio.” * **Técnico‑algorítmico**: “Implementar pipeline determinista de rPPG con **banda 0.7–4 Hz** para FC y **0.1–0.5 Hz** para FR; usar **K‑means** para seleccionar ROI estable y **regresión lineal múltiple** para corrección por iluminación; alcanzar **proporción de segmentos válidos ≥ 0.9**.” * **Implementación/uso responsable**: “Entregar una app **on‑device** que procese 60 s de video en **≤ 3 s** y exporte solo series temporales y métricas (sin video). Incluir aviso y consentimiento informado.” > Para otras opciones de reto, formule un objetivo análogo con métrica primaria clara (p. ej., **AUC ≥ 0.85** para logística múltiple o **MAE ≤ umbral** en lineal múltiple) y justificativo ODS. --- ## Sugerencias de métricas y validación * **Clasificación (logística múltiple)**: AUC, sensibilidad, especificidad, F1, calibración (revisar curva de confiabilidad). * **Regresión (lineal múltiple)**: MAE, RMSE, $R^2$, análisis de residuos. * **Clustering (K‑means)**: inercia (WCSS), silhouette (solo para diagnóstico; no usar como criterio de decisión clínica). * **Validación**: partición entrenamiento/validación, **estratificación** por subgrupos (edad/sexo/calidad de imagen), **IC** por bootstrap si el tamaño lo permite. --- ## Riesgos y mitigaciones (ética y sesgo) * **Privacidad**: evitar almacenar datos identificables; anonimizar; limitar finalidades; consentimiento informado cuando aplique. * **Sesgo de dominio**: evaluar por dispositivo, iluminación, fototipo, institución; reportar desempeño estratificado. * **Seguridad**: indicar que los prototipos son con **fines educativos** y **no clínicos**. --- ## Entregables de la sesión 1. **Lienzo de Objetivos (1 página)** completado. 2. **Pitch de 60 s** leyendo objetivo principal y métrica clave. 3. Archivo breve (máx. 1 página) con las **ecuaciones** que usa su proyecto (de entre las listadas) y la **métrica primaria** con definición formal. --- ## Rúbrica de evaluación (actividad de hoy) **Puntaje total: 100**. Aprobación sugerida: ≥ 70 y sin criterios en nivel Insuficiente. | Criterio | Peso | Excelente (4) | Bueno (3) | Básico (2) | Insuficiente (1) | | ----------------------------------------------------- | ---: | ------------------------------------------------------------------------------------------- | ------------------------------------- | ------------------------------------ | --------------------------------- | | **Alineación con ODS** | 20 | ODS principal correcto y **meta/indicador** explícito y pertinente | ODS correcto sin indicador concreto | ODS genérico | Sin ODS o incorrecto | | **Relevancia país/población** | 15 | Contexto Colombia claro (población, nivel de atención, brecha) | Contexto parcial | Contexto vago | Sin contexto | | **Calidad de objetivos SMART** | 20 | 2–3 objetivos con métricas, umbrales y tiempos; separados en impacto/técnico/implementación | Objetivos claros pero incompletos | Faltan métricas o tiempos | Confusos o no medibles | | **Viabilidad técnica (solo K‑means / reg. múltiple)** | 15 | Elección y justificación rigurosa; ecuaciones y variables definidas | Elección adecuada con ligeras lagunas | Uso dudoso o variables mal definidas | Incumple restricciones o inviable | | **Ética y cumplimiento** | 10 | Riesgos/sesgos y medidas; privacidad correctamente abordada | Menciona ética sin detalle | Superficial | No aborda | | **Métricas de éxito** | 10 | Indicadores clínicos/operativos claros y umbrales | Indicadores presentes sin umbrales | Indicadores vagos | No hay | | **Claridad de la entrega (1 pág + pitch)** | 10 | Síntesis excelente, visual limpio, pitch preciso | Claro con leves omisiones | Denso o poco legible | Incompleto | ---